第2章 文献综述
本章从科研创新体系中知识管理和企业创新体系中知识管理两方面进行了文献综述。其中，科研创新体系中侧重知识扩散相关研究，分别从科研网络、知识扩散、知识扩散影响因素及知识扩散的优化策略研究等多方面进行了国内外研究文献综述。企业创新体系中侧重知识共享相关研究，分别从企业知识、知识共享、知识共享动机及知识共享的前因研究。
2.1 科研创新体系中的知识管理研究
“知识（Knowledge）”是在每个时代都常被提及的一个词汇，柏拉图认为“合理的真知”即可以被称为知识，后现代主义哲学家认为知识是基本的事实，经验主义哲学家则认为知识是对经验的感知，而《辞海》把知识定义为“人类认识的成果或结晶，包括经验知识和理论知识”。《韦伯斯特词典》则定义知识为“通过实践、研究、联系调查获得的事实或状态的认识，是对科学、艺术或者技艺的理解，包括人类获得的关于真理和原理的认识综合”。
Polanyi（1966）认为知识有显性知识（Explicit Knowledge）和隐性知识（Tacit Knowledge）两类。显性知识是指能够通过正式、系统的语言和方法来传达的规范性知识，而隐性知识是指个人的经验、直觉等等难以通过形式化与他人共享的知识。野中郁次郎（1991）的知识螺旋理论认为，显性知识和隐性知识是不可分割的，它们可以通过内在化（Internalization）、社交化（Socialization）、外在化（Externalization）、组合化（Combination）的过程动态交互并创造新的知识。
2.1.1科研网络相关要素及相互关系研究
科研网络中包含着多种要素，分别可用知识网络、知识载体网络和知识主题网络来描绘。其中知识主体网络是科研知识主体科研工作者及其所形成的科研组织；知识网络包括网络中不断增长、流失的知识点及知识域——学科；知识载体网络指知识创新的知识载体——科研论文和各类期刊。
知识网络：在科研网络中，对知识网络建模，主要集中在知识之间的关系建模，席运江（2009）将知识按层次分解为知识域、知识子域、知识单元，并在组织知识层次，利用专有知识率（组织中只为某一成员所掌握的知识）及专有知识加权比率（组织知识资源中，专有知识所占的比率）衡量知识网络的鲁棒性。杨志峰（2000）从知识经济的角度探讨了知识资源、知识存量和知识流量的概念。李顺才（2001）从内涵、特征和相关性角度分析了知识存量和知识流量，认为知识存量是知识的静态表征，反映系统的知识生产状况和创新潜力；而知识流量是知识的动态表征，可反映系统知识扩散的速度和水平。刘臣（2009）通过引文分析衡量学科之间知识流动的关系，构建了以学科为节点的学科知识流动网络，并运用复杂网络分析网络的结构性质、网络中知识流动的方向。刘璇（2009）利用共词分析研究知识点间的相互关系，并根据知识点的出现频率和知识间的关联关系，构建基于SOM的知识结构图，同时将知识划分为名词解释性知识、工具方法类知识以及现象解释性知识。包振强（2002）提出组织知识具有层次结构特征，并将知识分为核心知识、结构知识和内隐知识三个层次，提出基于知识树的组织知识描述方法，并引进知识值的概念对组织知识实行量化管理。
前人对知识主体网络的研究主要集中在科研合作网络，在该种网络中，节点为那些进行科研工作发表论文的作者，而边则表示两个不同科研工作者之间的合作关系。根据前人的研究，科研合作网络曾在个人、组织内部以及组织间等不同的聚集层次上被研究。科研个人层次的研究主要是考虑不同学科领域的作者间的相互合作情况（Kretschmer,2004; Moody,2004; Newman,2001; Newman,2004;Yoshikane,2004）；而更多的研究则是考虑组织内部的个体合作情况（Arunachalam,2000; Luukkonen,1992; Zitt,2000）或者跨组织间个体的相互合作情况（Leydesdorff,2009; Singh,2007; Wagner,2005; Yamashita,2006; Zucker, 1996）。除了从不同聚集度上的分类研究，前人对科研网络的研究还可分为从网络层次和个体层次的研究，其中，网络层次的研究主要研究科研个人形成的知识网络其整体的网络拓扑结构、拓扑结构的演变，以及其拓扑结构对组织内部和组织间的知识形成、扩散和重组的影响：如Moody（2004）研究了不同的社交模式对创新结构的影响；Yamashita（2006）利用合作者概率关系指数（Probabilistic Partnership, PPI）研究了法国与日本之间的跨组织国家合作模式；Wagner（2005）则利用聚类方式分析科研合作网络的Salton指标和Jaccard指标，发现国家合作网络正在逐步扩大，国际科研工作者间的合作越来越紧密，而大国之间为抢夺合作者的互相竞争越来越激烈。另一方面，对科研合作网络中个体地位的研究则主要基于“人们倾向于依赖自身的社会关系网络来发现信息，并获取解决问题的知识和方法”这一事实，集中研究个体在网络中的重要性，以及重要性的趋势分析。Kretschmer（2004）通过对子团体的结构以及子团体中科学家间的测地距离与科学家的产出之间的关系的研究，得出高产的作者通常与其他作者有较短的合作路径的结论；Newman（2001）利用closeness和betweenness中心度研究科研合作网络中的个体地位，发现科研网络符合小世界网络规律（网络中科研个体之间的平均距离比较小）；同时，大多科研工作者可通过1～2个合作者找到任意的其他科学家。Singh（2007）利用度中心相关算法研究不同组织间个体的合作对创新和学科产出的影响，发现跨国家、跨组织和跨机构间的外部合作会增加知识的产出；Zucker（1996）重点关注科研网络中的明星个体（产出高、影响大）的行为，发现科研明星倾向于优先与自己组织或机构所在的其他科研人员合作，以最大限度地保护他们的技术、思想和发现，然后再慢慢将知识向组织外的其他科研工作者扩散；Singh（2007）通过度中心相关算法研究不同组织间个体的合作对创新和学科产出的影响，发现跨国家、跨组织和跨机构间的外部合作会增加科研个体的知识产出。
也有一些学者研究知识与知识主体、知识载体间的关联，不少学者通过知识地图构建知识主体与知识间的关系，实现知识获取、组织与呈现以及快速检索和共享的目的（Kuo Rita,2002）；席运江（2007）通过知识与知识主体之间的关系，从组织层次上构建了组织知识存量的表示方法。刘璇（2009）通过知识和知识载体——期刊间的所属关系，用索引分析法研究了不同机构间、不同期刊间知识的流动关系。
2.1.2 知识扩散及扩散模型的相关研究
前人关于知识扩散过程做了不少研究，根据对扩散过程的不同理解，创新扩散和知识扩散模型可以分为宏观扩散模型和微观扩散模型。
宏观扩散模型通常将某一特定时期创新或扩散的采纳数量看成是社会系统潜在容量的一个比例，着重考察“扩散的速度”（Diffusion Rate），这类研究通常是关于信息、产品和技术的扩散在不同领域，如经济学、社会学和营销学领域的研究，代表如下：Fourth和Woodlock（1960）所提出的指数代表，研究个体直接决定是否采纳创新，从而影响扩散过程。Shuster（1998）利用指数扩散模型估计了IP电话使用人数的增长情况。再有就是将扩散过程比拟为疾病传染过程，根据传染是否存在异质性，又进一步分为同质性传染模型（对称传染模型）和异质性传染模型（非对称传染模型），前者所有个体被传染的概率是同等的，如Mansfield（1961）提出的逻辑扩散（Logistic Model）模型，Frank（2004）和Lee（2007）利用逻辑扩散模型对芬兰电信市场的发展进行了预测，罗荣桂和江涛（2006）基于自然科学领域的传染动力学模型SIR模型开发了技术创新的扩散模型；另一类异质性传染模型则假设个体被传染的概率不一定服从均匀分布，如Bemmaor（1994）利用伽玛变换的龚珀兹模型（Gompertz模型）建立了一个扩散模型，研究了当消费者采用偏好服从伽玛分布时的扩散过程，Rouvinen（2006）利用Gompertz模型实证研究了发达国家和发展中国家移动电话的扩散是否存在显著性差异。营销学领域较为著名的Bass模型，由Krishnan和Jain在1994年提出，是通过对11种耐用品的市场扩散研究，提出了一个综合外部影响和内部影响的一次性购买模型，基于该模型，知识的扩散速度可归纳为两大因素：一是创新的或外部的影响；二是模仿的或内部的影响，即社会网络中使用者对他人的影响。而在计算机科学领域，学者们关注的是影响最大化（influence maximization）问题，即寻找网络中的最优节点组合使得从这些节点发出的信息在网络中传播的范围最大，或者从营销的角度，使得产品或技术的采纳率最高。
微观扩散模型则主要从社会系统成员个体出发，强调个体是否采用某种创新是一种决策行为。微观决策模型更多考察“扩散的程度”（diffusion extent）。如Granovetter（1978;1988）构建了群体行为的阈值模型，并以此解释创新、习俗、行为、谣言和一些社会现象的扩散。Bikhchandani等（1992）和Banerjee（1992）从传统经济模型出发，提出信息串联（informational cascades）模型和基于信息串联的羊群行为（herd behavior）模型来解释社会习俗、群体风尚和文化行为的扩散传播。Moms（2000）构建了同质群体的扩散博弈模型，研究表明，个体接受他人关于某种选择的信息量超过一定界限时，个体将模仿他人采纳该选择，从而解释了扩散是如何导致群体选择趋于一致的。Goldenberg等（2001）利用随机元胞自动机的方法，研究了异质消费者群中的新产品扩散问题。Goldenberg等（2000）利用物理学经典的渗透模型（Percolation Model），从个体的微观行为出发对新产品扩散问题进行了研究。
目前在社会关系网络的研究中，也有不同的模型可用来模拟信息和知识扩散的微观机制，而不同中心性测量算法对应着网络中对知识扩散机理的不同假设，可以分为三类：如程度中心性（degree centrality）算法注重计算节点的即时联系，如邻居节点等；亲近中心性（closeness centrality）算法着眼于某指定节点到网络中其他节点的距离以及信息在不同节点之间的传播速度；而中介中心性（betweenness centrality）算法重点关注信息传播到网络中各不同部位的通道。选择不同的算法衡量个体地位，可以模拟不同的知识扩散路径。
在知识管理领域，也有一些研究利用实证的方法描述扩散。陈国栋（2010）指出，以高校为代表的科研组织的知识扩散可分为“内部整合”和“外部扩散”两个过程，这两个过程分别实现的是知识在群体组织内部的扩散与增值以及群体组织与外部个人或者组织之间的知识扩散与增值。岳洪江（2008）利用10年来管理科学期刊国内期刊间的引证数据，研究了管理科学知识的流动扩散网络的结构特性。结果表明，管理科学期刊知识交流网络密度在增大，期刊间的知识交流更加直接和开放，学科领域间在趋于交叉融合。另一方面，期刊间引证存在“无形学院”——虚拟科研组织，在各共同体中有其核心成员。
2.1.3 知识扩散/创新扩散的影响因素研究
一类的研究集中在网络结构对知识扩散的影响研究。Coleman（1988,1990）指出，在强关系网络（strong ties network）中，网络密度高的团队能从成员的密切合作中获益，而且这样的团队往往更团结，更互利，更相互信任。Readons和Zuckerman（2001）证实R&D团队网络密度越高，网络越多样化，团队所创造的知识越多。Reagons和McEvily（2003）指出，团队凝聚力（cohesion）能促进知识在团队成员内的共享和传导。Gaigiulo等人（2009）研究发现，当知识员工是一个知识吸收者时，团队网络密度与其绩效正相关；反之，当知识员工是一个知识提供者时，团队网络密度与其绩效负相关。Emmerik和Brenninkmeijer（2009）指出，团队相似性对团队绩效有正向影响，而且深层次的相似性（deep-level similarity）比表面相似性（surface-level similarity）作用更大。
国外已有文献利用不同中心度算法确立了知识网络中的个体地位，并针对个体地位对知识扩散的影响做出了研究，前人的研究主要从以下两个角度进行：①节点中心度及其对知识扩散的影响的研究——中心性常被认为是知识网络中合作质量好坏的一个重要标准，前人的实证研究发现，用degree centrality衡量的个体中心性对其知识的扩散起着正作用力（Patrakosol & Oson,2007; Podolny & Stuart,1995）。同时，Nerkar和Paruchuri（2005）的研究发现，Bonacich power计算的个体中心性也与其个体的知识扩散正相关；而Newman（2001）则利用betweeness centrality描述网络中的个体重要性，并得到其个体重要性与知识扩散的积极作用。②关于跨边界的知识扩散研究——那些处于组织边界处的个体常被认为是知识扩散过程中处于守门员地位的个体，对知识的有效传播起着重要的作用。这一类的实证研究呈现不同的结果：Nerkar和Paruchuri（2005）利用结构洞指标测量个体重要性，发现根据该方法计算个体重要性对个体的知识传播具有正作用力，而这一研究结果与Ahuja（2000）的实证研究结果正好相反。
综上所述，目前关于科研网络中知识扩散机理研究，文献中主要存在着以下不足：
（1）在科研网络中，已经有不少研究针对单一要素系统如知识系统和知识主体系统进行了建模，但目前综合多种要素及要素之间关系构建网络之上的网络并在此基础上深入研究的却十分有限。
（2）前人的研究已经在产品、信息、创新的扩散模型上有了一定的积累，多数是从宏观扩散角度的模型描述，而对以个体行为特征为主的微观扩散模型还研究较少；对扩散机理与知识扩散的动态演化规律的研究就更加不足；扩散模型在知识管理领域的实证研究目前还几乎是空白。
（3）目前已有文献从网络结构和个体地位角度对创新扩散的影响因素和影响机理做了研究，而知识扩散领域的相关研究较少，也少有利用社会网络相关理论研究科研网络中的个体属性如何影响网络中隐性知识扩散、重组的过程。已有文献提出了科研网络中影响知识扩散的众多可能因素，但是这些因素涉及多种要素，而要素之间又存在错综复杂的关联，基于科研网络研究不同要素及相互关系作用下的知识扩散机理的研究就更少。
2.2 企业创新体系中的知识管理研究
2.2.1 企业知识分类
经济合作与发展组织（OECD）1996年度报告《以知识为基础的经济》中对知识做出了四大分类：一是知道是什么的知识（Know-what），是指关于事实方面的知识；二是知识为什么的知识（Know-why），是指自然原理和规律方面的知识；三是知道怎么做的知识（Know-how），是指对某些事物的技能和能力；四是知道是谁的知识（Know-who），涉及谁知道和谁知道如何做某些事的信息。它包含了特定社会关系的形成，通过了解这类知识就可能识别知识专家并有效地利用他们的知识。
日本知识管理学家野中郁次郎和竹内弘高在创建的SECI模型中提出，知识可分为显性知识和隐性知识，显形知识往往是企业中可以用规范化和系统化的语言进行传播的可文本化的知识，而隐性知识往往是个人或组织经过长期积累而拥有的知识，它存在于知识工作者和知识专家的头脑中，通常不容易表达，不容易被他人理解和掌握，但它却是社会财富的主要源泉，充分挖掘和利用隐性知识将极大地提高组织的创造力和应用能力。
Matusik（2002）认为，企业的知识可以分为私有知识和公共知识两类。私有知识包括一个公司独有的流程、文档、商业机密，等等，只有特定企业独自拥有，可以成为竞争优势的源泉。公共知识则存在于公共领域，任何公司都有可能拥有，本质上是一个公共商品，一般不会产生竞争优势。
学者Collins（1993）和Blackler（1999）按照知识存储的客体，将组织知识分为5个层次：一是内含于员工的观念型知识（employee knowledge），指内含于员工内心中的一些知觉能力、概念性知识等；二是内含于员工的经验型知识（embodied knowledge），这些知识是属于员工的，主要通过干中学的训练及练习来获取；三是内含于组织文化的知识（encltured knowledge），指日积月累所形成的组织文化、共识和价值观，这些知识经常通过组织文化的形成而逐渐成型；四是内含于组织运作的知识（embedded knowledge），主要是指内含于组织理性作业流程内的分工、协调和合作的知识，如有效率的生产线、服务、IT结构；五是可编码知识（encoded knowledge），即可利用文字和符号等写出来的知识。前四种属于隐性知识，第五种属于显性知识。
学者们还常常对数据、信息、知识和智慧之间的关系进行辨析，成为DIKW模型。DIKW分别是数据（Data）、信息（Information）、知识（Knowledge）和智慧（Wisdom）的首字母。其中，数据（Data）是未组织的数字、文字、图像、符号等，它直接来源于事实，可通过原始的观察或度量来获得，数据通常是独立的。信息（Information），当通过某种方式组织和处理数据、分析数据间的关系时，数据就有了意义，这就是信息，可以说信息是拉帮结伙的数据。知识（Knowledge）是信息的集合，是有用、有意义的信息，是对信息判断和确认的过程，这个过程结合了经验、上下文、诠释和反省。因此，知识是派上用场的信息。智慧（Wisdom）可以归纳为做正确判断和决定的能力，包括对知识的最佳使用。随着数据向信息、知识和智慧的发展，理解的深度在不断增加，“清楚、简明、完整、正确”的程度也不断在增加。
2.2.2 知识管理与知识共享
和知识一样，知识管理目前存在很多定义。
比如，台湾中山大学教授林东清认为，知识管理是组织为了提高生存能力和竞争优势，对于存在于组织内外部的个人、群组或团体内有价值的知识，进行有系统的定义、获取、存储、分享、转移、利用和评估工作。
道化学公司的全球主管Gordon Petrash认为，知识管理就是“在正确的时间将正确的知识送给正确的人，使他们能做出最好的决策”。该定义强调知识管理工作的理想目标。
蓝凌知识管理推出了自己的成熟度模型“KM3”或“KM立方”。它的英文全称为“Knowledge Management Maturity Model”（简称KMMM）。KM3的基础是蓝凌的“知识之轮”理论。是说任何组织中的知识都需符合知识沉淀、共享、学习、应用、创新等运转环节，这些知识运转环节组合成一个螺旋上升的闭环，即“知识之轮”，组织的知识管理就是要找到驱动知识之轮的法则，一般企业都需要通过“技术”“管理”和“文化”三个方面来保障“知识之轮”的高速运转。
安达信公司将知识管理表达为公式：KM=（P+K）s。P是组织成员（People）, K是指组织知识（Organization Knowledge）, “+”是指信息技术（Technology）, S是分享（Share）。这个公式表达的意思是组织的知识积累，必须通过将人与技术充分结合，而在分享的组织文化下达到乘数的效果。
从知识管理的定义可以看出，企业员工的知识共享是知识管理的基石，是知识管理中需要重点关注的。
目前，由于不同学者研究的角度不同，知识共享有较多的定义。杨玉浩和龙君伟（2008）认为知识共享（Knowledge Sharing）是指将显性知识和隐性知识以有效的方式传达给他人的过程。Senge（1997）则指出，知识共享有两层含义：第一层是指将个体拥有的知识告诉他人，而第二层指帮助他人获得自己没有的知识。他认为，当一个企业员工愿意让其他员工拥有新的行动能力时，他可能会鼓励他人分享知识，对企业的知识分享起到促进作用。日本学者野中郁次郎和竹内弘高提出了SECI模型，他们认为企业中的知识不断地在联结化、内在化、共同化、表出化这四个步骤中螺旋上升，而知识分享等同于其中的“共同化”，是指企业内员工通过聊天、头脑风暴、师徒传授等方式分享隐性知识的过程。
总的来说，学者们大多是从人际互动层面给出的知识共享定义。企业的知识分享一般由两类员工构成：知识拥有者和知识需求者。知识拥有者通过某种方式，自愿地将自己的经验、诀窍、认知等知识分享给企业的其他员工；知识需求者则通过寻找、阅读、理解，学习获取企业中被分享出来的知识。两者在网络中通过互动与交流，实现了企业知识的增值。
另外，我们需要指出知识共享与知识转移的异同。知识转移是指知识通过某种方式，从某个个体转移到另一个个体的过程。两者同样都是个体间知识交流的过程，但是不同点在于知识转移是知识从具体的知识提供者转移到具体的接受者的过程，对应两个具体的个体，而知识共享中，知识提供者共享知识后，并没有指定的、明确的知识接受者，只是单纯地将知识分享出去。
2.2.3 员工知识共享的动机解释
根据Fishbein & Ajzen（1975）的经典的理性行为理论（Theory of Reasoned Action），采取某个行为是由对该行为的意愿、认知和社会规则决定的。对知识共享的积极的态度会和知识共享的意愿及知识共享的行为之间存在正相关。为此，我们必须首先识别影响人们对于知识共享的态度的社会心理性质。总结前人的文献，我们发现可以从经济性视角、社会心理学视角和社会学视角来解释员工知识共享的动机。
（1）经济性视角：经济动机是一种预计的外在奖励。根据古典经济学（Neo Classical Economics）理论，理性的、利己主义的个体会基于自利的成本—收益分析来规范他们和其他人的相互作用（Granovetter,1985）。Davenport & Prusak（1998）从这个视角分析了知识共享行为，他们认为一些感知到的预期利益会促进这一行为，如未来的回馈、地位、工作保证或升迁机会。因此，当个人相信他/她的行为会在未来获得某种收益的时候，其知识共享意愿和行为会受到积极的影响。Bartol和Srivastava（2002）对奖酬和知识共享间的关系进行了系统研究，他们将组织内部个体知识共享机制分为4类：通过将知识贡献给组织数据库、团队内部（或之间）的正式交往、个体间的非正式交往和实践社区进行共享知识。结果表明，基于知识共享的奖酬有助于促进个体贡献其知识给数据库，绩效工资计划有助于团队内部和跨团队的知识共享，基于团队的薪酬体系有助于团队内部的知识共享，利润共享计划和员工持股计划有助于跨团队的知识共享，而内在奖酬和构建专长和能力的感知有助于实践社区内的知识共享。
（2）社会心理学视角：该视角探讨员工预计到的社会关系和自我价值感。员工预计到的互惠性社会关系表示在知识共享情景下员工与企业中其他个体维持友好关系的欲望，如知识贡献和知识获取；而自我价值感用来捕捉员工自我感知到的其为组织提供价值的程度，在知识共享情景下进一步体现为员工在企业中的位置结构，如竞争力、权威性、感知的自我效能等（Gecas,1971）。事实上，这一视角与社会资本（Social Capital）理论的内涵相符，社会资本理论认为，社会资本是存在于企业员工与员工之间的人际关系（Bolino et al.,2002），是一项极有价值的组织资源，因为它可以促进获取成功所必需的组织成员之间的集体行为（Leana & Van Buren,1999）。社会资本有结构、认知和关系三个维度（Nahapiet & Ghoshal, 1998）。当员工预计到知识共享将增加其与他人的互惠性社会关系（关系维度），且促进其在企业中的权威性（结构维度）时，其共享意愿会受到积极的影响。Huber（2001）的研究确定了员工知识共享的社会心理学因素。Kachre和White（2008）发现，企业内员工间的强关系会降低员工间的竞争意识，并增加个体共享和转移知识的意愿。而组织中处于跨团队边界的个体其知识共享的意愿将会降低，原因在于知识共享行为可能会降低其组织中的权威性（Bouty,2000; Kachra & White, 2008）。
（3）社会学动机：该动机探讨组织的氛围特性，如公平、创新性和归属对知识共享意愿的影响。社会学家看到的社会行为，通常通过制度结构如社会规范、社会规则和社会责任来对个体进行约束（Coleman,1988）。在知识共享场景下，企业的公平（信任的氛围）、创新性（容忍失败且保证信息自由流动的氛围）、归属（亲社会规范的氛围）均会影响员工的知识共享意愿。Bock et al（2005）通过对来自韩国27个企业154名经理的经验研究，发现企业知识共享氛围会影响个体的知识分享意愿。部分学者从企业氛围的信任维度对知识共享进行了研究，Andrews和Delahaye（2003）认为，信任决定个体间知识共享的方式；Tasi（2002）则认为不同的相互关系对应于不同的信任模式，进而引发不同的知识共享程度；Chowdhury（2005）对信任与知识共享之间的关系进行了经验研究，发现认知信任和情感信任都会对知识共享产生显著影响，而且，认知信任对复杂知识共享的影响强于情感信任。
2.2.4 企业内知识共享的前因研究
国内外学者主要从知识特性、技术特性、个体特性、团队特性、组织特性等视角对知识共享的前因进行了探索：
（1）知识特性：Weiss（1999）认为，可清晰表述的知识由于可以编码，因而更易于共享；同时知识的敏感性会影响个体间的知识共享。Zhao和Luo（2005）对多国企业在中国（上海）的136家子公司的经验研究表明，企业的进入模式（全资）会对子公司间的陈述性知识（declarative organizational knowledge）共享产生显著影响，但对程序性知识（procedural organizational knowledge）共享的影响不显著。也有研究表明，简单的、可编码的知识比复杂的、隐性的知识更容易共享和传播，而员工间人际关系的强连接将促进复杂、隐性和私有知识的共享和传播（Centola & Macy,2007; Reagans & McEvily,2003; Uzzi & Lancaster,2003）。
（2）技术特性：技术流派将本体论（Ontology）运用在知识管理领域中以完成知识的表达（张成洪，2004）。各类信息技术（如知识库、专家库、信息检索门户、知识管理系统等）、知识地图（如知识概念图（Concept Maps）、思维导图（Mind Map）、语义网络（Semantic Web）等也被研究学者们用来表达、转化、关联和集成知识，以促进知识共享（张成洪等，2011；韩伟威等，2013）。也有学者研究了技术对知识共享行为的影响：Poston和Speier（2005）研究了信息门户中内容的分级和信誉度指标如何影响知识管理系统用户的搜索和评级过程及决策性能（决策质量和决策速度）。
（3）个体特性：Lin和Lee（2004）基于行为计划理论（theory of planned behavior），对台湾大型企业高级经理的经验研究表明，高级经理对于知识共享的态度、主观准则和感知行为控制会对其知识共享的促进意图产生显著影响，而共享意图进而会对知识共享行为产生显著影响。有研究表明，拥有多花样专长的个体能够更有效地与其他个体进行知识交流和共享，而个体的自我网络（ego network）密度，将影响其合作者之间的知识共享的努力（Fleming, Mingo, et al.,2007）。另外，个体适应其信息接收方的沟通方式的能力也将增加彼此间的知识流动（Wang, Tong, Chen, & Kim,2009）。
（4）团队特性：一些学者关注企业内部R&D团队相关特性（如团队规模、结构、成员间异质性）对知识共享和创新的影响。如Podolny等（1995）发现，团队规模对团队专利后续知识共享和扩散具有正向影响；Cowan发现小世界网络最有利于知识的共享和扩散，而过于相似的社团结构会阻碍知识共享和扩散（Cowan, 2004）; Lin发现，无标度网络中知识共享和扩散的绩效最高（Lin,2010）；朱亚丽等验证了网络密度对企业间知识转移意愿的正向影响（朱亚丽等，2011）。同时，成员间的相似性和异质性亦是影响知识共享意愿和行为的重要因素：团队成员间的知识专长的一致性会增加成员间沟通的绩效，从而会降低成员间知识转移的预期成本，从而从增加成员间知识共享的意愿（Black, Carlile, & Repenning,2004;Reagans & McEvily,2003）。团队成员间个体位势的相似性（Black et al.,2004）和人格特性的相似性（Allen&Eby,2003）亦会增加员工间知识共享的意愿。
（5）组织特性：社会学家聚焦于组织氛围和知识共享间的关系研究。Zarraga和Bonache（2003）选取西班牙363名企业自我管理团队中的员工为样本，对团队氛围和知识共享间的关系进行了探索。研究表明，高关怀（high care）的团队氛围有助于促进员工间的知识共享，即仁慈判断、鼓励、相互信任及获得帮助三个维度都会对知识转移和知识创造产生显著影响；Hoof和Ridder（2004）则发现，员工的组织承诺会对知识共享产生显著影响，组织的沟通氛围亦会显著影响知识贡献和知识收集，而且会通过影响组织承诺，进而对知识共享产生间接影响。另，如前文所述，企业的公平（信任的氛围）、创新性（容忍失败且保证信息自由流动的氛围）、归属（亲社会规范的氛围）均会影响员工知识共享的意愿（Gee-Woo Bock et al, 2005; Andrews and Delahaye,2003; Tasi,2002; Chowdhury,2005）。
从文献中可以看出：
（1）已有研究分别从经济学视角、社会心理学视角和社会学视角对员工知识共享的内在动机做了解释，但是未有研究对比三种不同的动机的解释效度，也未有研究考虑不同个体特性（如教育背景、现在职位、人格特性、性别等）的员工其知识共享动机的区别。
（2）现有研究从知识特性、技术特性、个体特性、团队特性和组织特性对员工知识共享行为的前因分别做了研究，但少有研究考虑各种因素交互作用下的知识共享行为影响机理。
参考文献
[1] Ahuja, G.（2000）.Collaboration networks, structural holes, and innovation:A longitudinal study[J].Administrative Science Quarterly,45（3）,425-455.
[2] Arunachalam, S., and Doss, M.J.（2000）.Mapping international collaboration in science in Asia through coauthorship analysis[J].Current Science,79（5）,621-628.
[3] Berge C.（1973）Graphs and Hyper-graphs[M].New York:Elsevier,1973:307-337.
[4] Bonacich, P.（1987）.Power and Centrality:A Family of Measures[J].American Journal of Sociology,92,1170.
[5] Bornmann, L., Daniel, H.D.（2008）.Selecting manuscripts for a high-impact journal through peer review:a citation analysis of communications that were accepted by Angewandte Chemie International editor or rejected but published elsewhere[J].Journal of the American Society for Information Science and Technology,59（11）,1841-1852.
[6] Burt, R.S.（1992）.Structural Holes:The Social Structure of Competition[M].Harvard University Press.
[7] Burt, R.S., Ronchi, D.（2007）.Teaching executives to see social capital:results from a field experiment[J].Social Science Research,36:1156-1183.
[8] Cross, R., Sproull, L.（2004）More than an answer:Information relationships for actionable knowledge[J].Organization Science,15（4）:446-462.
[9] Cummings, J.N., Cross, R.（2003）Structural properties of work groups and their consequences for performance[J].Social Networks,25:197-210.
[10] Fleming, L.（2001）.Recombinant Uncertainty in Technological Search[J].Management Science,47（1）,117-132.
[11] Frank H, Page J, Myrnah W.（2005）.Networks and Farsighted Stability[J].Journal of Economics Theory,120（2）:257-269.
[12] Freeman, L.C.（1979）.Centrality in social networks:Conceptual clarification[J].Social Networks,3,215-239.
[13] Glanzel, W.and Schubert, A.（2004）.Analyzing scientific networks through co-authorship.Handbook of Quantitative Science and Technology Research [J].Kluwer Academic Publishers, Dordrecht,257-276.
[14] Goldenberg J, Libai B, Muller E.（2001）.Talk of the network:A complex system look at the underlying process of word-of-mouth[J].Marketing Letters,12:209-221.
[15] Grannovetter M S.（1978）.Threshold models of collective behavior [J].The American Journal of Sociology,83:1420-1443.
[16] Huang, Z., Chen.H., Chen, Z., and Roco, M.C.（2004）.International nanotechnology development in 2003:Country, institution, and technology field analysis based on USPTO patent database[J].Journal of Nanoparticle Research,6,325-354.
[17] Krackhardt, D.（1999）The ties that torture:Simmelian tie analysis in organizations.In S. B.Andrews & D. Knoke（Eds.）, Research in the sociology of organizations,16:183210.Greenwich, CT:JAI Press.
[18] Kratzer, J., Leenders, R.Th.A.J., Engelen, Jo M.L.Van.（2008）.The social structure of leadership and creativity in engineering design teams:an empirical analysis [J].Journal of Engineering and Technology Management,25:269-286.
[19] Kretschmer, H.（2004）.Author productivity and geodesic distance in bibliographic co-authorship networks, and visibility on the Web[J].Scientometrics,60（3）,409-420.
[20] Levin, D.Z., Cross, R.（2004）.The strength of weak ties you can trust:the mediating role of trust in effective knowledge transfer[J].Management Science,50（11）:1477-1490.
[21] Liu, X., Zhang, P.Z., Li, X., Chen, H., Dang, Y., Larson, C.A., Roco, M.C.and Wang, X.W.（2009）.Trends for nanotechnology development in China, Russia, and India [J].Journal of Nanoparticle Research,11（8）,1845-1866.
[22] Moody, J.（2004）.The Structure of a Social Science Collaboration Network:Disciplinary Cohesion from 1963 to 1999 [J].American Sociological Review,69（2）,213-238.
[23] Nagurney A, Dong J.（2005）, Management of Knowledge Intensive Systems as Supernetworks:Modeling, Analysis, Computations, and Applications [J].Mathematical and Computer Modeling,42:397-417.
[24] Nagurney Anna, Wakolbinger Tina, Zhao Li.（2006）.The evolution and emergence of integrated social and financial networks with electronic transactions:a dynamic supernetwork theory for the modeling, analysis, and computation of financial flows and relationship levels[J].Computational economics,2006（27）:353-393.
[25] Nerkar, A.and Paruchuri, S.（2005）.Evolution of R&D Capabilities:The Role of Knowledge Networks within a Firm[J].Management Science,51（5）,771-785.
[26] Newman, M.E.J.（2004）.Coauthorship networks and patterns of scientific collaboration [J].Proceedings of the National Academy of Sciences,101（1）,5200-5205.
[27] Newman, M.E.J.（2005）.A measure of betweenness centrality based on random walks [J].Social Networks,27,39-54.
[28] Patrakosol, B.and Olson, D.L.（2007）.How interfirm collaboration benefits IT innovation[J].Information & Management,44（1）,53-62.
[29] Reagons R., McEvily B.（2003）Network structure and knowledge transfer:the effects of cohesion and range[J].Administrative Science Quarterly,48:240-267.
[30] Singh, J.,（2007）.External collaboration, social networks and knowledge creation:evidence from scientific publications [J].Danish Research Unit of Industrial Dynamics Summer Conference 2007, Denmark.
[31] Wagner, C.S.and Leydesdorff, L.（2005）.Mapping global science using international co-authorships:A comparison of 1990 and 2000 [J].International Journal of Technology and Globalization,2（1）,185-208.
[32] Wakolbinger T, Nagurney A.（2004）.Dynamic Supernetworks for the Integration of Social Networks and Supply Chains with Electronic Commerce:Modeling and Analysis of Buyer-Seller Relationships with Computations[J].Netnomics,（6）:153-185.
[33] Wong, S.S.（2008）.Judgments about knowledge importance:the roles of social referents and network structure[J].Human Relations,61（11）:1565-1591.
[34] Yamashita, Y.and Okubo, Y.（2006）.Patterns of scientific collaboration between Japan and France:Inter-sectoral analysis using Probabilistic Partnership Index（PPI）[J]. Scientometrics,68（2）,303-324.
[35] Yoshikane, F.and Kageura, K.（2004）.Comparative analysis of coauthorship networks of different domains:The growth and change of networks[J].Scientometrics,60（3）,435-446.
[36] Zitt, M., Bassecoulard, E., and Okubo, Y.（2000）.Shadows of the Past in International Cooperation:Collaboration Profiles of the Top Five Producers of Science [J]. Scientometrics,47（3）,627-657.
[37] 包振强，王宁生．基于知识树的组织知识管理初探[J]．科研管理，2002,23（01）:58-62.
[38] 陈飞翔，张黎，胡靖．知识扩散场的建立与实证分析[J]．科学学研究，2005,23（02）:253-257.
[39] 陈强，廖开际，奚建清．专家知识地图的关键技术与设计[J]．计算机工程与科学．2008,30（02）:96-98,114.
[40] 冯博，刘佳．大学科研团队知识共享的社会网络分析[J]．科学学研究，2007,25（6）, pp:1156-1163.
[41] 李顺才，邹珊珊，常荔．知识存量与流量：内涵、特征及其相关性分析[J]．自然辩证法研究． 2001,17（04）:42-45.
[42] 廖开际，张永生．知识管理元模型及其应用[J]．广东教育学院学报．2006,26（03）:84-87.
[43] 刘蓓，袁毅．社会网络分析法在论文合作网中的应用研究[J]．情报学报，2008,27（03）:407-417.
[44] 刘臣，张庆普，单伟，刘岩芳．学科知识流动网络的构建与分析[J]．情报学报，2009,28（02）：257-265.
[45] 席运江，党延忠．基于加权超网络模型的知识网络鲁棒性分析及应用[J]．系统工程理论与实践，2007（04）:134-140,159.
[46] 席运江，党延忠．基于加权超网络模型的组织知识存量表示方法[J]．情报学报，2010,26（02）:210-215.
[47] 席运江，党延忠，廖开际．组织知识系统的知识超网络模型及应用[J]．管理科学学报，2009, 12（03）:12-21.
[48] 沈秋英，王文平．基于社会网络与知识传播网络互动的集群超网络模型[J]．东南大学学报：自然科学报，2009,39（02）:413-418.
[49] 王业军，刘艳艳．基于社会网络分析的学术创新团队的研究[J]．技术外语创新管理，2009, 30（3）, pp:276-279.
[50] 王志亮．社会网络分析方法在科研协作网中的应用研究[D]．大连理工大学．2005.
[51] 施杨，李南．基于社会关系网络的团队知识扩散影响因素探析[J]．科技进步与对策．2010, 27（14）:137-140.
[52] 杨志峰，邹珊刚．知识资源、知识存量和知识流量：概念、特征和测度[J]．科研管理．2000,21（04）:105-111.
[53] 夏昊翔，王国秀，宣照国，罗双玲．针对科研合作网络演化建模的基于Agent实验平台原型[J]．情报学报，2010,29（04）:634-640.
[54] 殷国鹏，莫云生，陈禹．利用社会网络分析促进隐性知识管理[J]．清华大学学报（自然科学版）,2006（46）:964-969.
[55] 于洋，党延忠，吴江宁，邓秋红．基于超网络的知识传播趋势分析[J]．情报学报，2010,29（2）:356-361.